연구 데이터와 학습 성과

1,000명의 학생을 대상으로 한 UPenn(펜실베이니아 대학교)의 2025년 연구에서는 생성형 AI를 가이드 없이 학습 도구로 사용했을 때의 위험성이 확인됐다. AI를 단순한 '버팀목(crutch)'으로 활용한 학생들은 교과서만 사용한 그룹보다 성적이 17% 낮게 측정됐다. 반면, AI에게 도움을 요청한 뒤 스스로 문제를 해결하는 'GPT 튜터' 그룹은 연습 세션에서 성적이 127% 향상되는 결과를 보였다. 다만 실제 테스트 점수는 교과서 그룹과 유사한 수준으로 나타났다.

JetBrains가 실시한 초급 및 입문 개발자 대상의 라이브 코딩 세션 분석에서도 유사한 경향이 관찰됐다. AI 지원 수준을 높인 참가자들은 프로그래밍 문제 해결 과정의 핵심 단계를 생략하고 곧바로 코드 작성 단계로 진입하는 패턴을 보였다. 이 과정에서 AI가 도입한 오류를 다시 AI에 의존해 수정하려는 악순환이 발생했다. 결과적으로 AI 지원을 최소화하거나 무시한 초급 개발자들이 가장 우수한 성과를 거뒀다.

Anthropic의 2026년 연구 'AI 지원이 코딩 기술 형성에 미치는 영향'은 인지적 노력의 중요성을 강조한다. 소프트웨어 엔지니어링 입문자에게 있어 '고통스럽게 막히는 경험'이 숙련도 형성에 필수적이라는 분석이다. 연구팀은 의도적인 기술 개발 과정에서 AI 도구를 사용할 때, 단순 코드 생성보다는 인지적 부하를 유지하는 방식이 마스터리(Mastery) 달성에 기여한다고 밝혔다.

인지적 마찰과 학습 메커니즘

학습자가 AI와 상호작용할 때 발생하는 '역전된 학습(Inverted Learning)' 모델은 지식 습득의 경로를 바꾼다. 학생이 멘토(LLM)를 가이드하고 멘토가 응답하면 다시 학생이 방향을 설정하는 구조다. 이 과정에서 LLM의 유연하고 수용적인 설계는 학습자가 실제보다 더 많은 것을 알고 있다고 믿게 만드는 착각을 일으킨다. 특히 낯선 도메인을 탐색할 때, 적절한 질문을 던질 수 있는 기초 지식이 없는 상태에서는 AI가 제시하는 패턴에 매몰되어 비판적 검토 능력을 상실하게 된다.

이러한 현상은 조엘 스폴스키(Joel Spolsky)의 '누수되는 추상화 법칙(Law of Leaky Abstractions)'으로 설명된다. LLM은 코딩의 복잡성을 추상화하여 시간을 절약해주지만, 그 추상화 계층 아래의 작동 원리를 학습하는 시간까지 줄여주지는 않는다. 추상화가 누수되어 문제가 발생했을 때 이를 해결할 수 있는 능력은 결국 하위 계층의 작동 방식을 이해하는 숙련도에서 나오는데, AI 도구가 이 과정에서 필요한 '마찰(Friction)'을 제거함으로써 개발자의 직관인 '핑거스피첸게퓔(Fingerspitzengefühl, 손끝 감각)' 형성을 방해한다.

LLM의 작동 방식은 경험에 기반한 판단이 아니라 훈련 데이터의 패턴을 보간(Interpolation)하는 것이다. 이는 정형화된 패턴 해결에는 효율적이지만, 완전히 새로운 시스템 장애나 독창적인 문제 해결이 필요한 상황에서는 한계를 가진다. 학습자가 AI가 생성한 솔루션의 깊은 곳으로 들어갈수록, 해당 코드를 완성하고 유지보수하기 위해 다시 AI 도구에 종속되는 구조적 의존성이 강화된다.

개발 도구 활용 전략의 변화

AI 코딩 도구의 효용은 사용자의 숙련도에 따라 비대칭적으로 나타난다. 수십 년의 경험을 가진 시니어 개발자는 AI의 출력을 정확하게 조종하고 감사하며 검증할 수 있어 생산성이 극대화된다. 하지만 기초가 부족한 입문자에게 AI는 학습 경로를 단축시키는 도구가 아니라, 문제 해결 능력을 배양할 기회를 박탈하는 장벽이 될 수 있다.

따라서 AI를 생산 수단이 아닌 교육 수단으로 전환하는 전략이 필요하다. 단순한 코드 생성 기능(Pure Code Generation)을 배제하고, 상호작용형 문서화 도구, 동적 튜토리얼 생성기, 소크라테스식 문답 파트너로 활용하는 방식이다. 이 경우 모델은 정답을 즉시 제공하는 대신 학습자가 스스로 사고하도록 유도하며, 인지적 작업의 주도권을 다시 개인에게 돌려준다. 다만 AI 튜터 역시 환각(Hallucination) 가능성이 있으므로, 생성된 개념을 공식 문서나 동료 검토, 실제 시행착오를 통해 검증하는 절차가 병행되어야 한다.

실무자와 개발자가 경계해야 할 지점은 '인지적 부채(Cognitive Debt)'와 '인지적 오프로딩(Cognitive Offloading)'의 구분이다. 단순하고 반복적인 기계적 작업을 위임하는 오프로딩과 달리, 판단과 결정권을 AI에 양도하는 것은 인지적 부채를 쌓는 행위다. 개발자는 AI가 제공하는 빠른 정답의 유혹을 견디고 의도적으로 '막히는 경험'을 유지함으로써, 도구 없이는 아무것도 개발할 수 없는 마비 상태를 방지하고 도메인 지식의 내재화를 달성해야 한다.